A Method for 3D Morphological Measurement and Cutting Point Localization of Green Asparagus Based on Improved YOLOv8n-seg and RGB-D Data

在蔬菜田静谧的行间，一个简单却又顽固的问题长期困扰着农民：如何收获一种生长迅速、生长密集且拒绝保持静止的作物。芦笋是一种多年生植物，每年春天都会长出鲜嫩的嫩芽，但这些嫩芽并不统一。它们弯曲、扭转，并且往往将根部深藏在土壤中，使得机器很难准确知道在哪里切割。几十年来，这意味着收获完全依赖于人工，这是一个日益昂贵且难以招工的劳动密集型过程。为了解决这个问题，科学家们转向了计算机视觉领域，这是教机器通过摄像头“看见”并理解世界的一门技术分支。目标是建造一种机器人，它能够观察一片芦笋地，识别哪些茎秆已达到食用标准，测量其大小，并精准定位将其从土地中切断的确切位置。然而，教机器完成这项任务并不像拍一张照片那么简单；植物不规则的形状和农场复杂的的光照条件构成了一个视觉谜题，标准的软件往往无法解决。

来自江西农业科学院和中国农业科学院的研究小组最近开发了一种新方法，可以帮助机器人清晰地看到绿芦笋。他们创建了一个专门的计算机程序，这是一种旨在识别照片中单个植物轮廓的人工智能。研究人员从一个现有的、广为人知的图像目标检测系统开始，但意识到对于在田间移动的机器人来说，该系统过于沉重且缓慢。原始系统就像一台强大但笨重的发动机，消耗了过多的燃料，对于小型电池驱动的机器来说并不实用。为了修复这个问题，团队重新设计了程序的内核，在去除不必要重量的同时，使其在识别特定且纤细的芦笋茎秆形状方面更加敏锐。他们用一个更高效的结构替换了系统的标准“大脑”，使处理信息的速度更快且不失准确性。他们还添加了特殊的工具，帮助计算机理解这种植物细长的特性，并忽略可能干扰它的杂草或阴影等噪声。

这种重新设计的成果是一个名为 SES-YOLO 的新模型，它充当了潜在收获机器人的“眼睛”。当这个模型观察芦笋地的图像时，它不仅仅是找到植物，还会为每一根茎秆绘制精确的轮廓，将其从土壤和叶片中分离出来。这是一个至关重要的步骤，因为与具有清晰表皮或独特形状的水果不同，芦笋是一条长而连续的茎，可以向任何方向弯曲。研究人员将他们的新模型与其他几种流行的系统进行了对比测试，发现它不仅速度更快，而且更加准确。在测试中，新模型以 98.6% 的精度正确识别并勾勒出芦笋茎秆，这意味着它极少漏掉植物或将杂草误认为作物。它运行的速度也显著快于旧版本，能够快速处理图像以跟上移动机器人的节奏。这种速度至关重要，因为收获机器人不能等待缓慢的计算机进行思考；它必须在沿垄移动时实时做出决策。

一旦计算机成功勾勒出植物，下一个挑战就是测量它并决定在哪里切割。研究人员将视觉轮廓与深度相机的数据相结合，深度相机是一种特殊的镜头，可以告知图像中每个部分的距离。通过将平面图像与这种距离信息合并，系统可以计算出芦дя笋茎秆的真实长度和粗细，即使它是弯曲的。他们发现，通过将茎秆分解成小段并测量每一段，可以确定总长度，平均误差小于 2%。这种精确度非常重要，因为农民需要了解作物的尺寸以确定是否可以采收。系统还会定位“切割点”，即茎秆上可食用部分开始与坚硬木质化根部结束的具体位置。由于嫩绿顶端与白色地下根部之间的过渡点通常隐藏在土壤表面下方，研究人员编写了程序，根据茎秆的几何形状来估算这个点。在实地测试中，系统定位该切割点的平均误差仅为 0.34 厘米，这一误差范围如此之小，以至于机械臂可以轻松进行调整。

为了证明该系统可以在现实世界中运作，研究人员将他们的新程序安装在了一台专为机器人设计的微型便携式计算机——Jetson Orin NX 上。这款设备功能强大，足以运行复杂的软件，同时又足够小巧高效，可以由田间的机器人携带。当他们在该硬件上测试系统时，它以每秒 38.69 帧的速度处理图像。这意味着机器人每秒钟可以“看见”并做出决策 38 次以上，这个速率足以应对收获过程中所需的快速移动。研究人员指出，这个速度比原始未修改的系统快了近 60%，证明了他们的轻量化设计成功平衡了对速度和准确性的需求。研究结论认为，这种方法为构建自动化芦笋收割机提供了可靠的技术基础，为用能够观察、测量并以类人精度进行切割的机器取代繁重的体力采摘工作提供了一种途径。